Eingeladener Hauptvortrag von Thomas Bäck bei Genetic Programming Theory & Practice XX, Juni 1-3

Am 2. Juni wird Thomas Bäck einen eingeladenen Hauptvortrag auf der 20. Konferenz Genetic Programming Theory & Practice (GPTP) halten, die an der Michigan State University, East Lansing, MI, stattfindet. Es handelt sich um einen kleinen, nur auf Einladung stattfindenden Workshop, der 2023 vom BEACON Center for the Study of Evolution in Action veranstaltet wird.

Die Idee hinter der Genetischen Programmierung ist es, die Prinzipien evolutionärer Algorithmen zu nutzen, um sukzessive leistungsfähigere Computerprogramme zu entwickeln, indem man die Konzepte einer Population von Programmkandidaten und evolutionärer Operatoren wie Selektion, Rekombination und Mutation nutzt. Um die Qualität der sich entwickelnden Programme zu bewerten, muss eine Zielfunktion definiert werden.

Thomas‘ Vortrag trägt den Titel „Automated Algorithm Configuration for Expensive Optimization Tasks“ (Automatische Algorithmenkonfiguration für teure Optimierungsaufgaben) und behandelt zwei Schlüsselthemen, die auf den ersten Blick nichts mit der Genetischen Programmierung zu tun haben: Teure Optimierungsprobleme, die erhebliche Rechenressourcen für eine einzige Zielfunktionsauswertung erfordern, und Methoden, die für die Algorithmenkonfiguration und Hyperparameteroptimierung verwendet werden können. In seinem Vortrag zeigt er anhand von drei Beispielen, wie dieses Thema und die entsprechenden Algorithmen mit der Genetischen Programmierung zusammenhängen:

Das erste Beispiel wendet direkt eine Hyperparameter-Optimierungsmethode an, die als MIP-EGO (mixed-integer parallel efficient global optimization) bezeichnet wird, um die Hyperparameter von Grammatical Evolution zu optimieren, einem Paradigma, das stark mit der Genetischen Programmierung verwandt ist. Die Ergebnisse veranschaulichen Leistungsverbesserungen der Grammatikalischen Evolution von bis zu 168% für ein typisches Testproblem.

Das zweite Beispiel zeigt einen ersten Ansatz zur Verwendung der Genetischen Programmierung, um Testfunktionen zu entwickeln, die die gleichen Eigenschaften wie reale Optimierungsprobleme haben, aber viel schneller ausgewertet werden können und daher als Kandidaten für die Erstellung und das Training von Optimierungsalgorithmen dienen, die dann das reale Problem sehr effizient lösen können.

Das dritte Beispiel konzentriert sich auf das Potenzial der Genetischen Programmierung, erklärbare KI-Modelle für hochdimensionale Daten zu erzeugen. Wie am Beispiel von hochdimensionalen Sensorzeitreihendaten aus dem Betrieb von Flugzeugtriebwerken gezeigt, kann Genetische Programmierung kompakte, für den Menschen lesbare Modelle erzeugen, die den Zusammenhang zwischen kritischen Sensoren und der Abgastemperatur des Triebwerks erklären.